China's NeoLab-moment: EverMind beantwoordt de full-stack zelfevolutievraag met drie papers
Nu overzeese NeoLabs op basis van narratieven grote financieringen binnenhalen, heeft het Chinese team EverMind, geïncubeerd door Shanda Group, drie opeenvolgende papers gepubliceerd die een uitgebreide technische stack presenteren voor zelfevoluerende AI. De papers behandelen de raamwerken HarnessBank, SkillCorpus en DASH en dekken daarmee harness, vaardigheden en modelgewichten. De aanpak van EverMind verschilt van de puntgerichte doorbraken van overzeese teams en zou het bedrijf mogelijk in een leidende positie kunnen plaatsen in dit domein.
In de zomer van 2026, terwijl buitenlandse NeoLabs zoals Recursive Superintelligence (RSI), Engram, Adaption Labs en Core Automation miljarden aan financiering ophaalden, publiceerde het Chinese team EverMind, geïncubeerd door Shanda Group, drie opeenvolgende papers met een full-stack oplossing voor zelfevoluerende AI. EverMind, met wortels in de onderzoekscultuur van Shanda Innovation Institute, richt zich op langetermijngeheugen en zelfevolutie. De papers behandelen drie uitdagingen: het beteugelen van zelfverbetering (HarnessBank), vaardigheidsbeheer (SkillCorpus) en het trainen van modelgewichten (DASH). HarnessBank introduceert een genenbank en geverifieerde poortconstructie om overfitting te voorkomen, met prestatieverbeteringen van 5,1-15,4% op zeven benchmarks. SkillCorpus aggregeert en cureert meer dan 82,1 duizend ruwe vaardigheden tot 96.401 hoogwaardige vaardigheden, wat de prestaties van agents met tot 7,5 punten verbetert. DASH gebruikt divergentie-adaptieve supervisiehorizonnen om on-policy zelfdistillatie te verbeteren, wat de wiskundige redeneerscores op AIME- en HMMT-benchmarks verhoogt. EverMind heeft een open-source ecosysteem met meer dan 12 duizend GitHub-sterren, en de raamwerken zijn verdeeld over vier lagen: taak, harness, model en meta-verbetering. Het team verwacht dat de volgende generatie AI continu zal evolueren, en zij nodigen partners uit om mee te bouwen aan de infrastructuur voor langetermijngeheugen van AI.
Bron: QbitAI 量子位 —
origineel